用于构建脑磁图网络的信号提取方法
发布时间：2021-02-27 21:49
构建脑磁图功能网络时,一般选取各脑区功率最强的源信号代表其神经活动,这将造成信息损失.针对此问题,提出了2种改进方案:基于叠加平均的方法和基于聚类的方法.为了验证上述方案,选取了51例被试任务状态下的脑磁数据,对其各频段利用最大功率、叠加平均、聚类3种方法进行信号提取,然后对以其构建的脑功能网络进行k均值聚类分析,此外,对以上3种方法构建的脑网络特征进行分析比较.结果表明:叠加平均方法的准确率最高、最大功率次之,聚类方法准确率最低;脑网络特征分析结果发现基于叠加平均和最大功率方法构建的大脑网络具有较强的小世界属性,而使用聚类方法构建的大脑网络其小世界属性较弱.基于本研究初步得出结论,采用叠加平均和最大功率信号提取方法构建脑磁图脑网络具有可行性.
【文章来源】：北京工业大学学报. 2020,46(07)北大核心
【文章页数】：8 页
【部分图文】：
MEG脑网络构建框图
源信号的重建过程基于FieldTrip(http://www.fieldtriptoolbox.org/)工具包完成,源信号重建流程如图2所示.源重建流程图中调用的函数都来自FieldTrip工具包. 每个被试者的MRI图像都是不同的,利用ft_read_mri函数读取被试者的磁共振图像,然后通过ft_prepare_headmodel函数构建源重建过程中需要的体积传导模型,也称为头模型,如图3所示. 利用ft_timelockanalysis函数计算出协方差矩阵. 最后在ft_sourceanalysis函数的method属性中选择线性约束最小方差(linearly constrained minimum variance,LCMV)方法[18]计算得到beamformer权重矩阵.
源重建流程图中调用的函数都来自FieldTrip工具包. 每个被试者的MRI图像都是不同的,利用ft_read_mri函数读取被试者的磁共振图像,然后通过ft_prepare_headmodel函数构建源重建过程中需要的体积传导模型,也称为头模型,如图3所示. 利用ft_timelockanalysis函数计算出协方差矩阵. 最后在ft_sourceanalysis函数的method属性中选择线性约束最小方差(linearly constrained minimum variance,LCMV)方法[18]计算得到beamformer权重矩阵.当确定beamformer的权重后,就可以重建每个体素的时间序列,传感器的非均匀投射可以在源信号上得到显示,权值随深度增加,而传感器的噪声保持不变. 为了消除这固有的偏差,在计算源信号之前需要对beamformer的权重利用它本身的向量范数进行归一化. 文献[19]表明α频带最活跃的区域是视觉皮层和顶叶区域,β频带的功能连接在感觉运动区域最强[20],γ频带在听觉皮层区域[21-22]和视觉皮层区域[23]有功能性作用. 因本研究是基于运动、工作记忆和语言处理3种任务态的,而这3种任务状态与视觉皮层、听觉皮层以及运动皮层区域最为相关,因此,在α(8～13 Hz)、β(13～30 Hz)、γ(30～48 Hz)以及全频带(1～48 Hz)共4个频带对体素的时间序列进行分析.
【参考文献】：
期刊论文
[1]人脑连接组研究:脑结构网络和脑功能网络[J]. 梁夏,王金辉,贺永. 科学通报. 2010(16)
本文编号：3054847
【文章来源】：北京工业大学学报. 2020,46(07)北大核心
【文章页数】：8 页
【部分图文】：
MEG脑网络构建框图
源信号的重建过程基于FieldTrip(http://www.fieldtriptoolbox.org/)工具包完成,源信号重建流程如图2所示.源重建流程图中调用的函数都来自FieldTrip工具包. 每个被试者的MRI图像都是不同的,利用ft_read_mri函数读取被试者的磁共振图像,然后通过ft_prepare_headmodel函数构建源重建过程中需要的体积传导模型,也称为头模型,如图3所示. 利用ft_timelockanalysis函数计算出协方差矩阵. 最后在ft_sourceanalysis函数的method属性中选择线性约束最小方差(linearly constrained minimum variance,LCMV)方法[18]计算得到beamformer权重矩阵.
源重建流程图中调用的函数都来自FieldTrip工具包. 每个被试者的MRI图像都是不同的,利用ft_read_mri函数读取被试者的磁共振图像,然后通过ft_prepare_headmodel函数构建源重建过程中需要的体积传导模型,也称为头模型,如图3所示. 利用ft_timelockanalysis函数计算出协方差矩阵. 最后在ft_sourceanalysis函数的method属性中选择线性约束最小方差(linearly constrained minimum variance,LCMV)方法[18]计算得到beamformer权重矩阵.当确定beamformer的权重后,就可以重建每个体素的时间序列,传感器的非均匀投射可以在源信号上得到显示,权值随深度增加,而传感器的噪声保持不变. 为了消除这固有的偏差,在计算源信号之前需要对beamformer的权重利用它本身的向量范数进行归一化. 文献[19]表明α频带最活跃的区域是视觉皮层和顶叶区域,β频带的功能连接在感觉运动区域最强[20],γ频带在听觉皮层区域[21-22]和视觉皮层区域[23]有功能性作用. 因本研究是基于运动、工作记忆和语言处理3种任务态的,而这3种任务状态与视觉皮层、听觉皮层以及运动皮层区域最为相关,因此,在α(8～13 Hz)、β(13～30 Hz)、γ(30～48 Hz)以及全频带(1～48 Hz)共4个频带对体素的时间序列进行分析.
【参考文献】：
期刊论文
[1]人脑连接组研究:脑结构网络和脑功能网络[J]. 梁夏,王金辉,贺永. 科学通报. 2010(16)
本文编号：3054847
本文链接：https://www.wllwen.com/kejilunwen/xinxigongchenglunwen/3054847.html
